Fitrianty, Emma Lucya (2008) Pendugaan Parameter Regresi Semiparametrik dengan Pendekatan Kernel. Sarjana thesis, Universitas Brawijaya.
Abstract
Pendugaan parameter dalam analisis regresi memiliki peran penting dalam menentukan hubungan yang sebenarnya antara satu variabel dengan variabel yang lain. Metode pendekatan yang digunakan dalam pendugaan parameter regresi ada dua macam yaitu regresi parametrik dan regresi nonparametrik. Salah satu persoalan yang muncul dalam masalah pendugaan parameter regresi yaitu tidak semua variabel penjelas dapat didekati dengan pendekatan parametrik. Misalkan dalam suatu model persamaan regresi, terdapat beberapa variabel penjelas ( X dan Z ) yang berpengaruh terhadap variabel respon ( Y ). Bentuk hubungan X dengan Y diketahui linier dalam parameter ( X dianggap sebagai komponen parametrik). Sedangkan bentuk hubungan Z dengan Y tidak diketahui ( Z dianggap sebagai komponen nonparametrik). Dalam masalah ini, pendugaan parameter regresi dapat dilakukan dengan menggabungkan pendekatan parametrik dan nonparametrik sehingga menghasilkan model regresi semiparametrik atau disebut Model Linier Parsial ( Partially Linear Model ) (Sheng, 1998). Parameter regresi semiparametrik dapat diduga dengan menggunakan pendekatan Kernel. Metode Kernel mempunyai dua parameter yaitu fungsi Kernel K dan parameter h. Fungsi Kernel K yang digunakan adalah Kernel Gaussian. Sedangkan parameter h dinamakan parameter penghalus atau sering disebut bandwidth . Penelitian ini bertujuan untuk mendapatkan bandwidth optimal dengan metode Shibata dan mengetahui hasil penerapan pendekatan Kernel untuk menduga parameter regresi semiparametrik (Model Linier Parsial). Dalam penelitian ini digunakan 10 data sekunder yang didalamnya terdapat hubungan antarvariabel yang membentuk Model Linier Parsial. Meskipun galat model masih mengandung autokorelasi dan homoskedastisitas, model ini dapat digunakan sebagai metode alternatif penyelesaian masalah regresi yang tidak dapat diselesaikan dengan model regresi parametrik maupun model regresi nonparametrik.
English Abstract
Parameter estimation in regression analysis has an important role in deciding trully relationship between a variabel to another. There are two approximation methods in estimating the regression parameter, those are parametric and nonparametric regression. A problem that can be appear in this estimation procedure is that not all predictor variabels can be approached by parametric one. For example, there are some variables ( X and Z ) have effect to the respon variabel. The relation between X and Y is known linear in its parameter ( X as parametric component), whereas the relation between Z and Y is unknown ( Z as nonparametric component). In this case, estimation of regression parameter can be done by combining parametric and nonparametric approximation so that yield semiparametric regression model or called Partially Linear Model (Sheng, 1998). Parameter of semiparametric regression can be approached by Kernel method. This method has two parameter, those are Kernel function K and parameter ‘h’. The Kernel function used in this research is Gaussian Kernel. Whereas parameter ‘h’ is usually called as smoothing parameter or bandwidth. The aim of this research is to get optimal bandwidth with Shibata method and to know the result of using Kernel approximation in order to estimate parameter of semiparametric regression (Partially Linear Model). This research uses 10 secundary data that consist relation between variables forming Partially Linear Model. Although the error of the model still consists of autocorrelation and homoskedasticity, Partially Linear Model can be used as the alternatif method for the case of regression which can not be solved by using parametric regression model nor nonparametric one.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2008/226/050802435 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Unnamed user with email repository.ub@ub.ac.id |
| Date Deposited: | 03 Sep 2008 10:31 |
| Last Modified: | 11 Mar 2022 06:37 |
| URI: | http://repository.ub.ac.id/id/eprint/151888 |
Preview |
Text
050802435.pdf Download (4MB) | Preview |
Actions (login required)
 |
View Item |